[发明专利]一种基于狼群等级分子动理论的多目标协同优化调度方法

说明书

本发明公开一种基于狼群等级分子动理论(以下简称WR‑KMTOA)的多目标协同优化调度方法。在WR‑KMTOA中，借鉴狼群等级制度中根据体能情况将狼群成员分为头狼、乙狼、亥狼的思路，将狼群成员的体能视作变量、体能指标视作适应度，将算法寻优过程中的数值个体分为最优、优秀、较差三个等级，并采用体能分级、引导协作、学习训练三个阶段设计算法，分别将数值个体进行等级分类、提高优秀数值个体适应度、提高较差个体适应度，最终实现寻优结果优化。该算法能改善分子动理论优化算法(KMTOA)易陷入局部最优、寻优精度不高等问题，且将其应用于微能网多目标协同调度工程问题时，比KMTOA的优化效果更明显。

技术领域

本发明涉及用于微能网多目标协同优化调度的一种基于狼群等级制度的改进分子动理论优化算法。

背景技术

微能网包含可再生能源、储能、可控负荷等设备系统，因而是多能源消纳的重要方式之一。因微能网中能源种类丰富、设备主体繁多，能量流交互复杂，微能网系统的多目标协同调度成为亟需解决的重要工程问题，以实现同时协调冷热电多种能量的供应与消耗、独立自治运行或并网运行，提升可再生能源消纳率和综合利用率。

近年来，国内学者先后将各类优化算法成功应用于不同场景的优化调度问题，从传统的传统数学优化方法如线性规划法、非线性规划法和动态规划法到各种智能优化算法如粒子群算法、分子动理论算法等。传统数学优化算法存在要求目标函数连续可微和不能处理离散变量等问题，与实际要解决的目标问题情况不符合。而智能算法如分子动理论优化算法(KMTOA)可以规避传统数学优化方法的上述弊端，但仍旧存在易于陷入局部最优值的问题。因此本发明进一步改进KMTOA，使其能继续发挥结构简单、收敛较快、可调参数少、鲁棒性强等优点，并能防止算法陷入局部最优值，且其平均迭代次数更少、求解精度更优，因此研究此算法对微能网多目标协同优化调度问题有重要意义。

发明内容

有鉴于此，本发明提供一种基于狼群等级分子动理论(简称WR-KMTOA)的多目标协同优化调度方法，借鉴狼群等级制度中根据体能情况将狼群成员分为头狼、乙狼、亥狼的思路，将算法寻优过程中的数值个体分为最优、优秀、较差三个等级，并采用体能分级、引导协作、学习训练三个阶段设计算法，将数值个体进行等级分类、提高数值个体适应度，最终实现寻优结果优化。将其用于微能网的多目标协同优化调度问题，可有效避免陷入局部最优和提高寻优精度。

本发明针对的技术问题为：因微能网中能源种类丰富、设备主体繁多，能量流交互复杂，微能网系统的多目标协同调度成为亟需解决的重要工程问题，以实现同时协调冷热电多种能量的供应与消耗、独立自治运行或并网运行，提升可再生能源消纳率和综合利用率。针对该工程问题，已有的传统数学优化算法存在要求目标函数连续可微和不能处理离散变量等问题，与实际要解决的目标问题情况不符合；而智能算法如KMTOA可以规避传统数学优化方法的上述弊端，但仍旧存在易于陷入局部最优值的问题。因此本发明进一步改进KMTOA，使其能继续发挥结构简单、收敛较快、可调参数少、鲁棒性强等优点，并能防止算法陷入局部最优值，且其平均迭代次数更少、求解精度更优。

本发明的技术方案为：针对微能网系统的多目标协同优化调度工程需求，提出一种基于狼群等级的分子动理论优化算法的协同调度方法。首先，从经济效益、环境效益等方面根据微能网的设备系统确定多个优化目标。然后，根据微能网内设备系统确定运行等式和不等式约束条件。最后，借鉴狼群等级制度中根据体能情况将狼群成员分级的思路，改进KMTOA优化算法，将算法寻优过程中的数值个体分为最优、优秀、较差三个等级，并采用体能分级、引导协作、学习训练三个阶段设计算法，分别将数值个体进行等级分类、提高优秀数值个体适应度、提高较差个体适应度，得出微能网系统的多目标协同优化调度方案。

本发明的技术效果在于：1)WR-KMTOA借鉴狼群等级制度思路改进KMTOA优化算法，能继续发挥KMTOA收敛较快、可调参数少、鲁棒性强等优点，并能有效防止算法陷入局部最优值，最终实现寻优结果优化；2)将WR-KMTOA用于微能网的多目标协同优化调度问题，能更快、更准确得得出微能网系统的多目标协同优化调度方案。